基于用户的协同过滤算法的推荐系统介绍ppt

-
寻找最近邻居通常有三种方法
余弦相似性（Cosine） 每一个用户的评分都可以看作为n维项目空间上的向量，如果用户对项 目没有进行评分，则将用户对该项目的评分设为0。用户间的相似性通过 向量间的余弦夹角度量。设用户i和用户j在n维项目空间上的评分分别表 示为向量i和向量j，则用户i和用户j之间的相似性sim(i,j)为：
-
3.基于用户的协同过滤推荐算法:
基于邻域的方法是协同过滤算法中应用最为广泛的一种。 Hale Waihona Puke Baidu基于邻域的方法比较直观,容易理解。这类方法使用统计技
术寻找与目标用户有相同或相似兴趣偏好的邻居,根据邻居 用户的评分来预测目标用户对项目的评分值,选取预测评分 最高的前N个项目作为推荐集反馈给目标用户。它的中心 思想是有相同兴趣或偏好的用户往往会对同样的项目感兴 趣,这也非常符合人们的心理。这类方法的核心是要准确计 算目标用户的邻居,也就是用户相似性,所以也称为基于用 户(User-based)的协同过滤方法。类似地,可以考虑项目之
-
3.基于用户的协同过滤推荐
基于用户的协同过滤[ (User-based CF)又 称 KNN (K-Nearest-Neighbor,K最近邻)算法,其 基本思想是利用与目标用户具有相同(或相似) 兴趣爱好的用户的观点向目标用户提供商品 推荐或评分预测。
基于用户的协同过滤算法的基本思想
-
这里的评分值可以是用户的浏览次数，购买次数等隐式的评分，还可以 采用显示评分，如用户对商品的直接评分，本算法的实现是采用用户对所购买 商品的直接评分作为评分矩阵中评分值的。
-
协同过滤推荐系统存在的一些弊端:
(1)数据稀疏性问题,这也是协同过滤系统目 前存在的最为普遍的问题,大多数用户只评 价了部分项目,这样导致用户-评分矩阵十分 稀疏,这样不利于推荐系统为用户推荐信息;
(2)冷启动问题。新产品没有任何用户的评 分,在协同过滤中是无法推荐的。新用户没 有历史信息,也是无法推荐的。当一个新项 目刚加入系统的时候,由于没有任何用户对
-
4.电影推荐（我们的想法）
电影推荐模块的参与者是用户,用户登录时该模块启动。这个模块的功能 是为登录的用户动态推荐他们感兴趣的电影。这个模块中主要的推荐算法是: 基于用户的协同过滤推荐算法。
-
5.电影推荐系统的实现构想
系统模块结构概述
电影管理:主要包括电影查询、修改、删除和添加。 管理员根据需要搜集电影信息,然后整理综合添加 到系统中,管理员还可以根据电影名査询电影信息, 如果电影信息有出入可以进行修改,还可以将该电 影删除。
截止至2011年底,全球博客(blog)数量已经 达1.81亿。
-
互联网信息的日益庞大与大量用户的需求形成了巨大 矛盾。人们需要花费大量的时间去搜索和选择各自所需的 项目。因此,各种知名的搜索引擎已经成为人们寻找项目的 必备工具,如Google、Yahoo、Soso、Baidu、Sogou等。当 用户搜索信息是,搜索引擎就在数据库中搜索,找到相应的 网站,按一定顺序反馈给读者。显然,搜索引擎是一种“一 对多”的工具,它只能区分不同的搜索语句,忽略了重要的 用户信息,对不同的用户不会推荐不同的项目。
其中，分子为两个用户评分向量的内积，分母为两个用户向量模的 乘积。
-
相关相似性(Correlation)
-
修正的余弦相似性(Adjusted Cosine)
-
③产生推荐项目：计算方法如下 ：
-
3.基于用户的协同过滤算法存在的问题及解决方案
基于用户的协同过滤虽然当给出足够清楚 的偏好信息时，它通常表现出良好的性能，但 随着站点结构，内容的复杂度和用户人数的不 断增加，一些缺点逐渐暴露出来，主要存在稀 疏性问题、可扩展性问题，也有人提出传统的 协同过滤不能反映用户兴趣的变化等问题。这
个性化推荐服务就是针对此类问题提出来的,根据不同 用户的行为、信息、习惯、喜好等特点,提供各自不司的服
-
2.个性化推荐技术
个性化推荐系统的使用对象是 用户,推荐对象是项目(Item),比如音 乐、电影、商品等。根据推荐对象 的特点,可以将目前的推荐系统分 为两类:
-
个性化推荐系统流程图：
-
3.基于用户的协同过滤算法
这一管理过程为系统提供了推荐信息。
电影推荐:主要基于用户的协同过滤推荐,电影推荐 模块会根据用户行为（打分和相似度）的不同进
-
推荐系统介绍
——基于用户的协同过滤算法 的
电影推荐系统
成员：塔娜 郭静 戈文豹
-
目 录
一. 推荐系统研究背景 二. 个性化推荐技术 三. 基于用户的协同过滤推荐算法 四. 电影推荐系统 五. 电影推荐系统实现构想
-
1. 推荐系统研究背景
近年来,社会信息趋向于数字化、网络化, 通过各种互联网络联系起来的人越来越多,互联 网网民日益增加。互联网上的信息源越來越丰 富,包括电子邮件、Web数据、客户项目等信息, 这些信息构成了社会网络。我国的互联网用户 数也与日俱增,已发展到一个很客观的数字。
-
3.基于用户的协同过滤推荐
②寻找最近邻居：在这一阶段，主要完成对目标用户最近邻居的 查找。通过计算目标用户与其他用户之间的相似度，算出与目标用户 最相似的“最近邻居”集。即:对 目标用户i产生一个以相似度sim(i,j)递 减排列 的“邻居”集合。该过程分两步完成： 首先计算用户之问的相 似度，可采用皮尔森相关系数、余弦相似性和修正的余弦相似性等度 量方法 ，其次是根据如下方法选择“ 最近邻居”：(1)选择相似度大于 设定阈值的用户；(2)选择相似度最大的前 k个用户；(3) 选择相似度大 于预定阈值的 k个用户。